今天給各位分享電話機(jī)器人實現(xiàn)原理圖的知識，其中也會對電話機(jī)器人圖片進(jìn)行解釋，如果能碰巧解決你現(xiàn)在面臨的問題，別忘了關(guān)注本站，現(xiàn)在開始吧！

本文目錄一覽：

簡單電話機(jī)器人實現(xiàn)原理圖的說就是通過語音識別電話機(jī)器人實現(xiàn)原理圖，再抓取關(guān)鍵詞出發(fā)必要電話機(jī)器人實現(xiàn)原理圖的語音文件或者是話術(shù)電話機(jī)器人實現(xiàn)原理圖，這樣也能達(dá)到聊天交互的目的，效果也很不錯~

在客戶的初始篩選過程中，智能電話機(jī)器人將會有這樣一個過程:撥出電話、接聽電話、通話、通話結(jié)束、客戶分類、標(biāo)簽生成、云分類和存儲，并且預(yù)定的客戶會立即被推至微信。

1、撥打電話。電話銷售人員可以向人工智能電話機(jī)器人提交他們的語音話術(shù)。上班后，智能電話機(jī)器人會用真實的聲音給目標(biāo)客戶打電話。智能電話機(jī)器人每天撥打多達(dá)800 - 1000個電話，他們的情緒永遠(yuǎn)保持溫暖和熱情，他們的工作效率遠(yuǎn)遠(yuǎn)高于人工。在大量輸入客戶線索后，你只需點擊一次，就可以開始自動電話撥號，并且你可以定制時間段，讓電話撥號成為一件輕松的事情。

2 .顧客接聽電話

3 .通話。模擬真人的聲音，通過將之前積累的一些用戶可能會提到的問題輸入到預(yù)先輸入話術(shù)庫，在客戶提問后，匹配相應(yīng)的答案。

4 .通話結(jié)束。

5 .客戶分類。當(dāng)智能外呼機(jī)器人在多條線路上執(zhí)行群呼時，它將篩選出意向客戶，并根據(jù)類別A、B、C、D、E將意向客戶快速存儲在系統(tǒng)中；整個過程都有音頻試聽，這可以清楚地進(jìn)行聊天挖掘，并為客戶管理提供有效的決策。

6 .生成標(biāo)簽分類，并及時將意向客戶推送至微信。根據(jù)客戶分類后篩選出的目標(biāo)客戶的會話情況進(jìn)行進(jìn)一步篩選，并根據(jù)每個客戶的不同會話情況生成不同的標(biāo)簽分類。意向客戶會被自動推送至微信，人工進(jìn)一步跟進(jìn)。

7 .云分類存儲。相關(guān)數(shù)據(jù)如分類客戶信息和語音數(shù)據(jù)同步存儲在云端中。

在這些過程中，每個過程將自動記錄一次。撥出電話記錄→記錄接聽狀態(tài)(忙音、掛斷等)→通話持續(xù)時間、錄音、文本記錄→系統(tǒng)將根據(jù)通話內(nèi)容自動生成標(biāo)簽，并按類別存儲客戶→加密并保存所有數(shù)據(jù)并上傳至云端。

隨著人工智能的飛速發(fā)展以及廣泛落地應(yīng)用，越來越多的設(shè)備將會被植入智能問答技術(shù)，人機(jī)交互場景隨處可見，智能問答在未來將會成為一個非常重要的入口。

騰訊小知憑借著業(yè)界領(lǐng)先的智能AI引擎算法和海量大數(shù)據(jù)倉庫，已將智能問答技術(shù)落地實施，并且經(jīng)過大量的業(yè)務(wù)考驗和優(yōu)化，知識點匹配度和準(zhǔn)確率都已達(dá)到90%以上，在2018 年 GITC 全球互聯(lián)網(wǎng)技術(shù)大會上，騰訊小知榮獲年度互聯(lián)網(wǎng)最具價值產(chǎn)品獎。

騰訊小知算法負(fù)責(zé)人陳松堅也在會場發(fā)表了關(guān)于智能問答技術(shù)原理及其在To B場景下的應(yīng)用的專題演講，從自己的角度為我們展現(xiàn)智能問答技術(shù)的最新成果。

他首先從智能問答是什么，為什么和怎么做的三個問題出發(fā)，闡明了他對當(dāng)前智能問答技術(shù)的定位和價值，首先，現(xiàn)階段的智能問答是信息檢索技術(shù)的升級，是量變而未達(dá)到質(zhì)變。但是無論在To B還是To C的場景下，當(dāng)前的技術(shù)都能夠切實解決一些用戶的痛點，提升用戶體驗，是亟待推進(jìn)和充滿想象的方向。

在回答怎么做這個問題時，他詳細(xì)介紹了幾種不同的問答機(jī)器人的實現(xiàn)路徑，包括單輪問答機(jī)器人，多輪問答機(jī)器人及閱讀理解機(jī)器人。其中重點闡述了單輪問答機(jī)器人的實現(xiàn)原理，包括字面匹配，詞向量匹配，深度語義匹配，遷移學(xué)習(xí)等技術(shù)。

此后他還分享了小知團(tuán)隊將上述技術(shù)產(chǎn)品化的經(jīng)驗，包括智能客服機(jī)器人和電話機(jī)器人兩大塊，主要分享了當(dāng)前產(chǎn)品的形態(tài)，亮點和實際項目中取得的一些成果。

最后，他簡單總結(jié)了小知目前完成的工作以及就智能問答的發(fā)展提出了自己的幾點看法。

--------------------------------------------------------------

以下是演講稿全文：

各位下午好，很高興今天能在這里給大家做分享報告。先介紹一下，我們騰訊小知是致力于為政府和各行業(yè)提供一攬子智能問答解決方案的團(tuán)隊，目前已經(jīng)落地的包括基于文本的智能客服機(jī)器人和基于語音的電話機(jī)器人等。

在大多數(shù)人的認(rèn)知里，智能問答很可能是以上的3個印象，2011年打敗了人類取得問答競賽冠軍的waston;2017年被沙特授予公民身份的機(jī)器人sofia;更為大家熟知的鋼鐵俠中的機(jī)器人管家jarvis。在大家心目中，智能就意味著能夠像真人一樣交流。然而作為從業(yè)者，很遺憾地告訴大家，目前的技術(shù)還遠(yuǎn)沒有達(dá)到這個目標(biāo)，我認(rèn)為本質(zhì)上目前的智能問答技術(shù)是對信息檢索技術(shù)的一次升級，是量變而未到質(zhì)變。這個皇冠上的明珠還等待我們?nèi)フ　?/p>

既然問答技術(shù)還不成熟，那為什么還要投身到這個領(lǐng)域呢。我想從To B和To C兩個角度去回答。對企業(yè)來講，當(dāng)前的問答技術(shù)雖然無法解答復(fù)雜的咨詢，但是大部分的簡單的頭部問題是可以比較好的解答的。從本輪AI大潮NLP賽道的幾名種子選手都從智能客服這個方向切入就可以看出企業(yè)是確實存在對智能問答的剛性需求。而對普通用戶來講，一方面siri等語音助手每天都在為用戶提供便捷的交互界面，另一方面像amazon echo這一類的智能家居產(chǎn)品也逐步進(jìn)入千家萬戶，成為物聯(lián)網(wǎng)生態(tài)的中心入口之一，這便是智能問答的價值所在。

那如何實現(xiàn)智能問答機(jī)器人呢?我們先來看最基本的單輪問答機(jī)器人的實現(xiàn)原理。

熟悉搜索引擎的朋友會發(fā)現(xiàn)這個架構(gòu)跟搜索引擎的很類似。單輪問答一般來說就是FAQ問答，是基于業(yè)務(wù)問答對組成的問答庫進(jìn)行檢索匹配。其中FAQ問題集包含多個相似問法供用戶問題去匹配。預(yù)處理階段一般會進(jìn)行文本糾錯，標(biāo)準(zhǔn)化和底層NLP特征提取;召回階段會在倒排索引中召回若干個候選問題(粗排)，而最后的匹配階段會基于各種模型進(jìn)行匹配打分并返回得分最高的結(jié)果(精排)。匹配階段還會引入其他模塊，如知識圖譜和拒識模型，目的是輔助提升匹配的最終準(zhǔn)確率。

retrieval中的匹配可以看做是naive solution，詞袋+VSM, 篩選候選夠用了，但是精排需要更精致的策略，第一，要利用監(jiān)督信息做擬合，我們構(gòu)建基于問題對的訓(xùn)練語料，擬合是否匹配這個二分類目標(biāo)。第二，特征上拋棄稀疏的詞袋模型，而是構(gòu)造各種相似度來做base scorer，然后利用非線性的抗噪能力強的xgboost來做融合，比如我們用到詞bigram, 字bigram, 核心詞，名詞等特征集合的相似度。這種方法的優(yōu)缺點是一體的，由于模型只學(xué)習(xí)字面相似的特征，因此不受領(lǐng)域影響，通用性強，適合用在冷啟動階段;但也因為只考慮字面相似，無法處理更深層的語義匹配。

那如何度量語義的相似呢。詞向量技術(shù)的興起是語義匹配的前提，所謂詞向量，是將孤立的傳統(tǒng)的token表示映射到相互關(guān)聯(lián)的向量空間中，這種關(guān)聯(lián)性，或者說是相似性，是通過詞語的上下文的來描述的。也就是說，上下文越相似的詞語，他們的語義就越相似，詞向量的歐式距離就越近。這是很容易理解的，更妙的是，通過對向量進(jìn)行簡單加減運算，能夠呈現(xiàn)出概念的關(guān)系，比如king-man+woman的結(jié)果非常接近于queen, 因此說明詞向量能夠一定程度刻畫語義。那對句子如何做向量表示呢?一個簡單的想法是直接求和平均，WMD是另一個比較有意思且有效的做法，他將計算句子到句子的相似度建模成一個運輸?shù)膯栴}，把句子p的各個詞，運輸?shù)絨的各個詞上，也可以說是變換;運輸成本是詞向量的cosine相似度，而要運輸?shù)氖歉鱾€詞在句子中的權(quán)重，用線性規(guī)劃求解一個最優(yōu)解，即為p到q的距離。另外還有個有效的方法是SIF，思路是做詞向量加權(quán)求和，但是突顯出句子中非通用的部分，即權(quán)重用詞頻倒數(shù)來計算權(quán)重，實驗效果也很不錯。

上面的方法有一個問題就是沒有利用有監(jiān)督信息，所以效果有明顯的天花板。下面介紹這個工作是基于深層網(wǎng)絡(luò)做有監(jiān)督學(xué)習(xí)的匹配的，做法也比較簡單，首先把句子文本用one-hot編碼，假如詞典大小是500K，那編碼完長度就是500K維，其實等于是詞袋模型，然后輸入到一個多層的神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)，最終得到一個128維的向量作為句子的語義表示，然后用cosine計算兩個句子與文檔的相似度作為模型輸出。這個方法其實是將高維稀疏的token特征映射到低維語義空間，跟詞向量的思路很類似，只不過訓(xùn)練目標(biāo)不同，并且這里使用了深層網(wǎng)絡(luò)結(jié)構(gòu)。

但是CNN對上下文的處理能力依賴于窗口大小，遠(yuǎn)距離就沒辦法處理了，因此要考慮另一種網(wǎng)絡(luò)單元RNN，這種單元是專門為時序模型量身打造的，簡單來說，每一時刻t上的隱藏狀態(tài)，或者說第t個詞上的語義編碼，都由兩個輸入共同決定，即上一時刻的隱藏狀態(tài)和當(dāng)前時刻的原始輸入，而為了解決遠(yuǎn)距離傳遞導(dǎo)致的梯度消失和梯度爆炸等問題，RNN有一些變種結(jié)構(gòu)來應(yīng)對，比如 LSTM和GRU等。

CNN和RNN都是對原始輸入進(jìn)行語義編碼的基本單元，編碼后的向量就可以接入多層感知機(jī)進(jìn)行相似度計算，如果是直接計算cosine相似度，那就是dssm的升級版，而更常見的做法是把兩個句子的編碼向量拼接在一起，再經(jīng)過一個多層感知機(jī)計算相似度，而這種方法統(tǒng)稱為表達(dá)式建模;

另一種方案考慮到兩個句子之間的交互信息對學(xué)習(xí)他們是否匹配顯然更為重要，這一類方案被稱為交互式建模，右邊是一個典型的例子，他最大的不同是首先對兩個句子的所有窗口組合進(jìn)行拼接和卷積，得到交互信息。然后再進(jìn)行多次卷積和池化得到表示。其他的交互方式還包括編碼之后，進(jìn)行交互操作，如作差，點乘等，還有計算attention表示，也是常見的交互方式。

下面介紹我們的方案，跟上面介紹的模型相比，我們的方案主要做了兩處改動，一個是使用了稠密連接的網(wǎng)絡(luò)結(jié)構(gòu)，讓rnn層的輸入和輸出拼接在一起做為下一層的輸入，第二個是混合注意力機(jī)制，即在計算attention向量進(jìn)行交互式建模的基礎(chǔ)上，增加self-attention向量計算，然后把兩個attention向量經(jīng)過門機(jī)制進(jìn)行融合，這樣做一方面引入了問句間的交互信息，同時又增強了對自身的表達(dá)建模。

上面的模型是比較復(fù)雜的模型，參數(shù)量有5.8M。在實際中應(yīng)用中訓(xùn)練語料會嚴(yán)重不足，為了解決這個問題，我們引入了遷移學(xué)習(xí)的策略。首先第一種是多任務(wù)聯(lián)合學(xué)習(xí)，比如在擬合兩個問句是否匹配的同時，也對問句進(jìn)行分類預(yù)測;另外還可以同時對匹配的問題對做seq2seq的翻譯模型訓(xùn)練。這兩個策略都證明能有效提升準(zhǔn)確率。

而另一個思路更加直觀，即引入其他領(lǐng)域的語料，所謂多語料遷移。Fine-tune即參數(shù)微調(diào)是其中一種做法，即先用通用語料訓(xùn)練網(wǎng)絡(luò)，固定底層表達(dá)層的參數(shù)，然后再使用領(lǐng)域語料調(diào)整上層參數(shù);另一種思路參考了對抗學(xué)習(xí)的思想，即引入一個新的任務(wù)“混淆分類器”去判別當(dāng)前樣本是來自源語料還是目標(biāo)語料，通過在損失函數(shù)中增加反向的混淆分類損失項，讓混淆分類器盡可能地?zé)o法區(qū)分樣本的來源，從而保證共享了參數(shù)的表達(dá)網(wǎng)絡(luò)能夠?qū)W習(xí)到兩部分語料中共性的部分。

以上的介紹都是為了完成一個基本的單輪對話機(jī)器人，而實際應(yīng)用中，往往存在需要需要交互的場景，比如查詢社保余額，就需要用戶提供指定信息，如姓名，身份證號，手機(jī)號等。這種是所謂任務(wù)導(dǎo)向型機(jī)器人，而另一種，基于知識圖譜的機(jī)器人也往往會涉及到多輪交互。這里簡單介紹一下多輪對話機(jī)器人的架構(gòu)，整體上是一個對話管理系統(tǒng)，總的來說是管理會話狀態(tài)，包含4個模塊，分別是輸入部分：自然語言理解模塊NLU，負(fù)責(zé)意圖識別和抽取槽位實體，比如這里匹配到了意圖是查詢社保余額，抽取到了社保號1234。得到的意圖和槽位值會送入到對話狀態(tài)追蹤模塊，DST，他負(fù)責(zé)會話狀態(tài)的更新，形式化來說是一個函數(shù)，輸入是當(dāng)前狀態(tài)s和當(dāng)前的query經(jīng)過NLU處理過得到的意圖和槽位值q, 輸出新的狀態(tài)s‘，下一步是把s’送入DPL，對話策略模塊，這個模塊是根據(jù)新的狀態(tài)s‘輸出行動a，通常這個決策選擇會依賴于一個外部數(shù)據(jù)庫或知識圖譜，最后，由輸出部分，自然語言生成模塊NLG負(fù)責(zé)將行動轉(zhuǎn)換為自然語言文本，返回給用戶。

前面提到的單輪FAQ機(jī)器人，有一個問題是問答準(zhǔn)確率依賴于問答庫的質(zhì)量，而問答庫的構(gòu)建耗時費力，所以針對數(shù)據(jù)較大的非結(jié)構(gòu)化文檔，如果可以直接從中抽取答案，是非常理想的做法。比如斯坦佛大學(xué)開源的drQA，就是基于wikipedia的語料做的一個開放域上的問答機(jī)器人，我們來看看這種閱讀理解機(jī)器人的架構(gòu)示意，他也是基于檢索重排的思路，首先把可能的文段從語料庫中摘取出來，然后送入閱讀理解模型進(jìn)行答案定位，打分，排序和選擇得分最高的答案。閱讀理解模型與匹配模型是類似的，需要先對問題和候選文段進(jìn)行編碼表示，不同之處在于最終預(yù)測的目標(biāo)是答案的起始和結(jié)束位置。我所在的團(tuán)隊在去年，在閱讀理解的權(quán)威公開測評Squad v1中取得過第一的成績，同時參加這個測評的包括了google, facebook, 微軟，阿里idst, 科大訊飛等國內(nèi)外同行。說明業(yè)界對這種技術(shù)還是非常看重的。

下面分享小知在把以上技術(shù)落地產(chǎn)品化的經(jīng)驗。首先我們來看看小知的整體架構(gòu)圖，核心引擎有兩部分，一塊是上面重點闡述的深度語義匹配模型，另一塊是本次分享沒有展開的知識圖譜引擎，在此之上，我們構(gòu)建了FAQ機(jī)器人，多輪會話機(jī)器人(任務(wù)機(jī)器人)，閑聊機(jī)器人等。以下是我們單輪和多輪機(jī)器人的示例。

在我們實際的落地項目中，得益于深度遷移模型的語義匹配能力和行業(yè)知識圖譜的的精準(zhǔn)匹配和輔助追問，小知機(jī)器人能夠做到95%左右的問答準(zhǔn)確率，并且節(jié)省了50%以上的服務(wù)人力，切實為政府和企業(yè)提升效率和降低成本。

在智能客服的基礎(chǔ)上，我們又打造了基于語音的電話機(jī)器人，力主融合智能客服，人工在線客服，工單系統(tǒng)和電話機(jī)器人，為客戶打造從售前售中售后的整體解決方案。

以下是電話機(jī)器人的整體架構(gòu)圖，核心是自然語言理解NLU模塊，負(fù)責(zé)識別用戶提問意圖

提取相關(guān)實體。根據(jù)NLU輸出的結(jié)果，內(nèi)置的對話管理引擎會進(jìn)行流程狀態(tài)流轉(zhuǎn)和跟蹤。

另外，ASR語音識別和TTS語音合成是不可或缺的重要服務(wù)，這三個模塊相互協(xié)作，共同完成與用戶的交互。

最后對智能問答的未來發(fā)展提幾點我的看法。目前學(xué)術(shù)界比較公認(rèn)的一個方向是，需要更有機(jī)地結(jié)合模型和規(guī)則，而在問答領(lǐng)域，規(guī)則的一大組成部分就是知識圖譜，包括開放領(lǐng)域的知識圖譜和專業(yè)領(lǐng)域知識圖譜。而更進(jìn)一步地，我們需要研究帶有推理性質(zhì)的事理型知識圖譜去描述領(lǐng)域內(nèi)的規(guī)則和知識，讓機(jī)器人能夠處理帶有復(fù)雜條件的問題，提供更智能的回復(fù)。在我看來，智能問答的一個突破口就在于解決以上三個問題。以上就是今天分享的內(nèi)容，謝謝大家。

主講人介紹：

陳松堅，騰訊數(shù)據(jù)平臺部算法高級研究員，有著8 年的 NLP 研發(fā)經(jīng)驗，2017 年加入騰訊 TEG 數(shù)據(jù)平臺部，負(fù)責(zé)智能客服產(chǎn)品騰訊小知的算法規(guī)劃和落地。負(fù)責(zé)過多個智能客服項目，對封閉領(lǐng)域的智能問答有豐富的實戰(zhàn)經(jīng)驗。

其實智能電話機(jī)器人的原理非常簡單，只有四步:

1. 首先需要使用智能電話機(jī)器人的人，對將打電話客戶可能提問的問題有一個基本的預(yù)判，并提取問題中的關(guān)鍵詞設(shè)置相對的話術(shù)。

2. 在客戶打入電話之后，智能電話機(jī)器人會自動處理接受語音，去除雜音并提取關(guān)鍵詞。再通過關(guān)鍵詞智能匹配已經(jīng)設(shè)置好的話術(shù)中搜索答案，匹配成功后，后臺會按照不同的語法，依照先后次序識別字詞，隨后系統(tǒng)會圍繞特征信息，用最小的單元再次識別字詞。

3. 在字詞識別工作完成之后，智能算法會利用事先設(shè)定好的語法邏輯進(jìn)行語義分析，這也就是為什么智能電話機(jī)器人可以聽懂你客戶說的每一句話。

4. 智能電話機(jī)器人可以通過接收到的關(guān)鍵詞自動分成段落，同時智能分析上下文的意思，對適當(dāng)?shù)奈恢眠M(jìn)行修正，以確保和客戶間的無礙溝通。

電話機(jī)器人是什么，有什么用？

電話機(jī)器人就是利用人工智能批量給客戶打電話 篩選出意向客戶，解放人力，代替人去做那些重復(fù)而又繁雜的事，讓人回歸到人本身當(dāng)中，去做更多具有創(chuàng)造性的事。

在客戶心中，怎么樣發(fā)揮呼狗電話機(jī)器人的最大價值呢?很多人認(rèn)為，呼狗電話機(jī)器人就應(yīng)當(dāng)集中在銷售能力當(dāng)中，比如線索的鎖定等功效場景。

但其實，呼狗電話機(jī)器人應(yīng)當(dāng)更注重一些泛營銷領(lǐng)域的服務(wù)場景，比如通知、回訪、調(diào)研、沉默用戶激活等場景下的應(yīng)用，這些場景下，人工的成本是非常高的，且效果往往差強人意。因素在于人工的情緒可控性更差，而呼狗電話機(jī)器人則全部不同。

呼狗電話機(jī)器人在通知場景下，會給更精準(zhǔn)的記錄下用戶的準(zhǔn)確反饋和是不是接通。因為大數(shù)據(jù)的應(yīng)用，呼狗電話機(jī)器人更符合該場景的應(yīng)用，為何會這么呢?人工智能最大的好處在于數(shù)據(jù)的記錄與輸出，而呼狗電話機(jī)器人則有著恰如其分的天賦。它不但能夠獨立完成通知場景的業(yè)務(wù)，還能夠在后續(xù)的服務(wù)中，開始幫助治理者進(jìn)行有效的數(shù)據(jù)呈現(xiàn)和整理。

而在回訪、調(diào)研和沉默用戶調(diào)研的場景下，也是這么，通過對數(shù)據(jù)精準(zhǔn)的記錄采集和有效的自動溝通，智能呼狗電話機(jī)器人能夠?qū)⒆詈蟮慕Y(jié)果進(jìn)行標(biāo)準(zhǔn)化輸出，從而輸出相關(guān)內(nèi)容給到操作者，對下一步的策略具有指導(dǎo)性效果。

乍一聽，呼狗電話機(jī)器人首先給人的印象就應(yīng)當(dāng)是電銷場景相關(guān)工作，但實則，呼狗電話機(jī)器人還是能夠更多的運用在泛營銷場景當(dāng)中。

關(guān)于電話機(jī)器人實現(xiàn)原理圖和電話機(jī)器人圖片的介紹到此就結(jié)束了，不知道你從中找到你需要的信息了嗎 ？如果你還想了解更多這方面的信息，記得收藏關(guān)注本站。